کاربرد یادگیری عمیق در کاهش فضای تطبیق سیستم های خود تطبیق اینترنت اشیا

نرم افزار خودتطبیق، نرم افزاری است که رفتار خود را در حین اجرا ارزیابی نموده و در جهت بهبود کارایی و عملکرد بهتر نرم -افزار، اقدام به تغییر رفتار خود میکند. سیستم های نرم افزاری در بستر اینترنت اشیا بالاخص با شرایط عملیاتی نامشخصیمانند تغییرات ناگهانی در دسترسی به منابع یا رفتار غیرمنتظره کاربر مواجه هستند. سیستم خودتطبیق باید با تجزیه وتحلیلکل فضای تطبیق، بهترین گزینه تطبیق را برای پیکربندی مجدد سیستم انتخاب کند. با این حال، تجزیه و تحلیل فضاهایسازگاری بزرگ با استفاده از روشهای صوری و رسمی باعث هدر رفتن منابع و زمان شده و گاهی غیرممکن می شود . یکرویکرد برای مقابله با این مشکل استفاده از یادگیری ماشین برخط برای کاهش فضای سازگاری است. اما، این روشها نیزنیازمند انجام مهندسی ویژگی هستند تا یک یادگیرنده، جهت کاهش فضای سازگاری برخط آنهم فقط برای اهداف خاص،تعریف کنند. از طرفی راه حلی سیستماتیک که قادر به برآورده کردن انواع مختلف اهداف سازگاری باشد، وجود ندارد . برایمقابله با این محدودیت ها، از یادگیری عمیق برای کاهش فضای تطبیق استفاده می کنیم . یک چارچوب یادگیری قابلگسترش برای کاهش فضاهای سازگاری برخط که با کمک یادگیری بازنمایی به مهندسی ویژگی نیاز نداشته ، و از طرفیمیتواند انواع مختلف ترکیبات اهداف تطبیق را پشتیبانی کند مانند: اهداف آستانه، اهداف بهینه سازی و اهداف نقطه ای. نتایجآزمایشات کارایی یادگیری عمیق را در افزایش سرعت تصمیم گیری و کاهش تاخیر شبکه و همچنین کاهش نرخ از دستدادن بسته ها برای ترکیب های مختلف اهداف سازگاری نشان می دهد.

کلیدواژه ها:

یادگیری عمیق ، خودتطبیقی ، کاهش فضای تطبیق